310

agent/tools/builtin/knowledge.py

@@ -26,7 +26,8 @@ class KnowledgeConfig:
     """知识提取与注入的配置"""
 
     # 压缩时提取（消息量超阈值触发压缩时，在 Level 1 过滤前用完整 history 反思）
-    enable_extraction: bool = True         # 是否在压缩触发时提取知识
+    # TODO: 临时改为 False 以避免反复进入 reflection 侧分支，之后需要改回 True
+    enable_extraction: bool = False        # 是否在压缩触发时提取知识（原值：True）
     reflect_prompt: str = ""               # 自定义反思 prompt；空则使用默认，见 agent/core/prompts/knowledge.py:REFLECT_PROMPT
 
     # agent运行完成后提取（不代表任务完成，agent 可能中途退出等待人工评估）

examples/find knowledge/run.py

@@ -206,8 +206,6 @@ async def main():
                 temperature=float(prompt.config.get('temperature', 0.3)),
                 max_iterations=1000,
                 trace_id=resume_trace_id,
-                enable_thinking=prompt.config.get('enable_thinking', False),
-                thinking_budget_tokens=prompt.config.get('thinking_budget_tokens', 10000),
             )
         else:
             initial_messages = messages
@@ -216,8 +214,6 @@ async def main():
                 temperature=float(prompt.config.get('temperature', 0.3)),
                 max_iterations=1000,
                 name="图片模态特征提取研究",
-                enable_thinking=prompt.config.get('enable_thinking', False),
-                thinking_budget_tokens=prompt.config.get('thinking_budget_tokens', 10000),
             )
 
         while not should_exit:

examples/find knowledge/skills/dimension_research.md

@@ -1,19 +1,30 @@
 # Skill: dimension_research
 
-## 全局规则遵守
+## ⚠️ 关键规则（必须首先阅读）
 
-**重要**：本skill必须严格遵守主prompt中定义的全局规则：
+**在开始任何搜索前，必须理解：**
 
-1. **知识与推理体系**：
-   - 搜索前列出初始知识库和假设
-   - 每步推理必须给出：前提（引用来源）→ 推理逻辑 → 结论
-   - 只能使用初始知识、假设和搜索得到的新知识
-   - 禁止凭空想象、未经验证的猜测
+1. **搜索目的**：寻找"如何提取特征"的方法，而不是寻找类似的图片内容
+2. **Query构造**：必须包含[特征类型] + [提取动作] + [信息类型]
+3. **严格禁止**：
+   - ❌ 直接使用亮点描述作为搜索词
+   - ❌ 只搜索内容关键词
+   - ❌ 缺少"提取"、"检测"、"识别"等动作词的query
 
-2. **评估与反馈机制**：
-   - 完成后必须评估：完整性、准确性、可逆性、可复用性
-   - 根据评估决策：PASS（继续）/ ADJUST（调整）/ REDO（重做）
-   - 记录评估结果和决策理由
+**错误示例**：如果亮点是"优雅的白裙写生少女"
+- ❌ 错误：搜索"白裙少女写生"（直接使用亮点描述）
+- ❌ 错误：搜索"写生少女"（只有内容关键词）
+- ✅ 正确：搜索"人物姿态 提取 方法"（特征+提取+信息）
+- ✅ 正确：搜索"服装形式 识别 工具"（特征+提取+信息）
+
+---
+
+## 全局规则
+
+**重要**：本skill必须严格遵守主prompt中定义的全局规则，包括：
+- 知识与推理体系（知识使用决策机制、知识来源标注）
+- 评估与反馈机制（完整性、准确性、可逆性、可复用性评估）
+- 可审计理由链（ACTION、WHY、EVIDENCE、NEXT）
 
 ---
 
@@ -21,6 +32,20 @@
 
 为**Image Dimensions（图片维度）**提炼适合的**Control Signals（控制信号/特征维度）**。
 
+**核心目的**：选择的特征维度将用于**生成式AI模型还原图片**。
+
+**关键原则**：
+- 特征维度必须是生成模型可消费的控制信号（如ControlNet、IP-Adapter等）
+- 根据图片维度的特点，选择能够有效控制生成过程的特征维度
+- 特征维度应该能够指导模型重建该图片维度的视觉效果
+- 优先选择在AI图像生成领域已被验证有效的控制方式
+
+**搜索重点**：
+- 寻找创作者如何使用特定特征维度来控制AI生成图片
+- 关注特征维度在生成模型中的实际应用案例
+- 了解特征维度如何影响生成结果的视觉效果
+- 验证特征维度是否能够准确还原目标图片维度
+
 通过案例研究和创作者经验，将Image Dimension转换为生成模型可使用的Control Signal。
 
 **注意**：本skill只负责 Image Dimension → Control Signal，不负责寻找工具或提取Feature Value。
@@ -150,117 +175,143 @@
 每个亮点的维度应该互不重叠，除非亮点本身就是全局的。如果一个维度涉及多个亮点，应该归属到最相关的那个亮点。
 
 ### 搜索目标
-**优先寻找**：如何使用某个特征维度复刻某种视觉效果（图片维度）
+
+**核心目标**：寻找如何使用特征维度通过生成式AI模型还原图片维度的视觉效果。
+
+**优先寻找**：
+- 创作者如何使用某个特征维度（如深度图、姿态骨架、光照图等）作为控制信号
+- 如何通过该特征维度指导AI生成模型（如Stable Diffusion + ControlNet）重建视觉效果
+- 特征维度在生成过程中如何影响最终图片的该维度表现
 
 **必须基于真实案例**：
-- 寻找创作者的实际案例和经验分享
-- 寻找详细的复刻流程和工作流
+- 寻找创作者使用AI生成模型的实际案例和经验分享
+- 寻找详细的生成流程和控制方法（如ControlNet使用、IP-Adapter配置等）
+- 关注特征维度如何作为生成条件输入到模型中
 - 不要凭空想象或理论推测
 - 所有Control Signal的选择必须有搜索证据支持
 
-**避免**：单纯工具介绍、无流程说明的教程、纯理论讨论
+**避免**：
+- 单纯的特征提取工具介绍（不涉及生成应用）
+- 无生成流程说明的教程
+- 纯理论讨论（没有实际生成案例）
 
 ### 搜索重点
-- **真实案例**：创作者如何实现某种效果
-- **复刻流程**：具体步骤和方法
-- **工作流**：完整的制作流程
-- **视觉控制变量**：案例中使用的具体控制参数
-- **参数经验**：实际使用的参数值和调整经验
-- **常见失败案例**：避免的坑和问题
 
-**最终目标**：从真实案例中提炼可复用的控制信号
+- **AI生成案例**：创作者如何使用特征维度控制AI生成某种效果
+- **生成流程**：从特征提取到生成的完整步骤
+- **控制方法**：特征维度如何输入到生成模型（ControlNet、IP-Adapter、Lora等）
+- **视觉控制效果**：特征维度对生成结果的具体影响
+- **参数经验**：实际使用的模型参数、权重、调整经验
+- **常见问题**：生成过程中的坑和解决方案
+
+**最终目标**：从真实AI生成案例中提炼可用于还原图片的控制信号
 
 ---
 
 ## Query生成策略
 
-### Query数量要求
-必须通过系统化方式生成**20-40个query**，不应只有少量关键词。
+### 搜索平台限制
+**重要**：所有搜索只在小红书平台进行，不使用其他平台。
 
-### Query Seeds来源
-1. Substance（实体）- 仅当亮点类型为"实质"时使用
-2. Form（形式）- 根据亮点类型使用：
-   - 实质类：该实质的形式属性
-   - 形式类：该形式维度本身
-   - 全局类：全局形式维度
-3. Highlight（亮点）- 当前亮点的描述
-4. 搜索内容补充
+### Query词要求
 
-**重要**：Query Seeds 必须严格限制在当前亮点的范围内，不要包含其他亮点的内容。
+**核心原则**：搜索的目的是寻找"如何提取特征"的方法，而不是寻找类似的图片内容。
 
-### Query结构（必须）
-**seed + intent + context**
+- **简短精炼**：每个query由3-5个词组成，保持语义完整
+- **核心关键词**：直接使用核心概念，去除冗余修饰
+- **语义完整**：确保query能够清晰表达搜索意图
+- **必须包含提取意图**：query中必须包含"提取"、"检测"、"识别"、"分析"等动作词
 
-- **seed**：来自输入特征
-- **intent**：implementation / analysis / control / workflow / comparison / ...
-- **context**：教程 / workflow / 拆解 / 案例 / 参数 / ...
+**严格禁止**：
+- ❌ **禁止直接使用亮点描述作为搜索词**
+- ❌ **禁止只搜索内容关键词**
+- ❌ **禁止缺少提取意图的query**
 
-**要求**：每个seed必须生成5-8个query
+**Query构造模式**：
+- ✅ [特征类型] + [提取动作] + [信息类型]
+  - 特征类型：从亮点中提取的核心特征概念
+  - 提取动作：提取、检测、识别、分析、获取等
+  - 信息类型：方法、工具、教程、案例等
 
-### Query过滤规则
-删除：
-- 重复query
-- 过于相似query
-- 没有信息量query
-- 不符合结构组成query
+**错误模式**：
+- ❌ [亮点原文]（直接使用亮点描述）
+- ❌ [内容关键词]（只有主题，没有提取意图）
+- ❌ [特征类型] + [应用场景]（关注应用而非提取）
+- ❌ 过短（少于3个词）或过长（超过8个词）
 
 ### Query迭代规则（关键要求）
 
-**必须经过多次迭代，不能一次搜索就结束**：
+**核心原则**：
+- **递进关系**：每轮query要在上一轮基础上递进，从宽泛到具体
+- **适可而止**：不要搜索太多轮，通常2-3轮足够
+- **明确记录**：每轮必须记录query词、迭代原因、理由
 
 **迭代流程**：
-1. **第一轮搜索**：
-   - 使用初始query搜索宽泛概念
-   - 记录搜索到的内容和关键词
-   - 分析哪些方向有价值，哪些方向无效
-
-2. **提取新关键词**：
-   - 从第一轮结果中提取子领域关键词
-   - 从案例中发现的专业术语
-   - 从创作者经验中提取的概念
-
-3. **第二轮搜索**：
-   - 使用新关键词优化query
-   - 缩小搜索空间，更精确地定位
-   - 记录新的搜索结果
-
-4. **持续迭代**：
-   - 根据每轮搜索结果继续优化
-   - 直到找到足够丰富的真实案例
-   - 直到能够明确提炼出Control Signal
-
-**每次迭代必须记录**：
-- 本轮使用的query
-- 搜索到的关键信息和案例
-- 从结果中提取的新关键词
-- 下一轮的优化方向
-
-**停止条件**：
-- 找到至少3-5个真实案例支持某个Control Signal
+
+**第一轮（宽泛探索）**：
+- **目标**：了解大方向，发现关键概念和提取方法
+- **Query组成要求**：必须包含两类关键词
+  - **主题关键词**：从亮点中提取的核心特征概念
+  - **提取关键词**：与特征提取相关的动作词
+- **Query特点**：3-5个词，语义完整，聚焦特征提取
+- **Query模式**：[特征类型] + [提取动作] + [信息类型]
+- **记录要求**：
+  - 使用的query词列表（2-5个query）
+  - 搜索到的关键信息摘要
+  - 发现的专业术语或工具名称
+  - 下一轮的方向判断
+
+**第二轮（聚焦细化）**：
+- **目标**：基于第一轮发现的关键词，聚焦到具体方法
+- **Query特点**：使用第一轮发现的专业术语（3-5个词，语义完整）
+- **递进逻辑**：从"是什么"到"怎么做"
+- **Query模式**：[第一轮发现的术语/工具] + [使用/应用] + [教程/案例]
+- **记录要求**：
+  - 使用的query词列表（2-5个query）
+  - 为什么选择这些query（基于第一轮的哪些发现）
+  - 搜索到的具体案例和方法
+  - 是否需要第三轮（通常不需要）
+
+**第三轮（可选，验证补充）**：
+- **目标**：验证具体细节或补充遗漏信息
+- **Query特点**：针对性很强的具体问题（3-5个词，语义完整）
+- **递进逻辑**：从"怎么做"到"效果如何"或"参数设置"
+- **Query模式**：[工具/方法] + [效果/参数/对比] + [评测/设置]
+- **记录要求**：
+  - 使用的query词列表（1-3个query）
+  - 为什么需要第三轮（第二轮哪些信息不足）
+  - 补充的信息
+
+**停止条件**（满足任一即停止）：
+- 找到3-5个真实案例支持某个Control Signal
 - 能够清晰描述该Control Signal的使用方法
 - 搜索结果开始重复，没有新信息
+- 已完成2-3轮搜索
 
 **禁止行为**：
-- ❌ 只搜索一轮就结束
-- ❌ 没有根据搜索结果优化query
-- ❌ 凭空想象Control Signal，不基于搜索证据
+- ❌ 只搜索一轮就结束（至少2轮）
+- ❌ 搜索超过4轮（适可而止）
+- ❌ Query词过长（超过15个字）
+- ❌ Query词过短（少于3个词，语义不完整）
+- ❌ 没有记录迭代原因和理由
+- ❌ 迭代没有递进关系（重复搜索相同内容）
 
 ---
 
 ## 搜索循环
 
 ```
-search
+第一轮：宽泛探索（核心概念词）
 ↓
-分析案例
+记录发现的关键词和术语
 ↓
-提炼控制信号
+第二轮：聚焦细化（专业术语+具体方法）
 ↓
-如果维度不清晰
+记录具体案例和方法
 ↓
-改写query
-↓
-继续搜索
+评估：是否足够？
+├─ 是 → 提炼Control Signal
+└─ 否 → 第三轮：验证补充（针对性问题）
 ```
 
 ---
@@ -304,15 +355,21 @@ search
 
 **3. Query Iteration（关键部分）**
 记录query的完整迭代过程，每一轮必须包含：
-- **Round N Query**：本轮使用的具体query列表
+- **Round N Query**：本轮使用的具体query词列表（每个query 3-5个词，语义完整）
+- **Iteration Reason**：为什么进行本轮搜索（基于上一轮的哪些发现或不足）
+- **Progressive Logic**：本轮相比上一轮的递进关系（从宽泛到具体，从概念到方法）
 - **Search Results**：搜索到的关键内容摘要（案例、方法、关键词）
 - **Key Findings**：本轮的关键发现
-- **New Keywords**：从结果中提取的新关键词
+- **New Keywords**：从结果中提取的新关键词或专业术语
 - **New Knowledge**：本轮获得的知识（内容、来源URL、可靠性说明）
 - **Reasoning**：基于新知识的推理（前提 → 推理逻辑 → 结论）
-- **Next Direction**：下一轮的优化方向和原因
+- **Next Direction**：下一轮的方向（如果需要）或停止原因
 
-要求：至少记录2-3轮迭代，每轮都要有明确的搜索结果、新知识和推理过程。
+要求：
+- 至少记录2轮迭代，最多3-4轮
+- 每轮都要明确说明迭代原因和递进逻辑
+- Query词必须3-5个词，保持语义完整
+- 必须体现从宽泛到具体的递进关系
 
 **4. Evidence（必须基于真实案例）**
 记录关键搜索案例，必须包含：
@@ -359,30 +416,13 @@ search
 
 ## 搜索语言策略
 
-### 中文优先（默认）
-**适用平台**：
-- 小红书
-- 知乎
-- B站
-- 中文博客
-
-**原因**：
-- 内容平台主要为中文内容
-- 中文query更容易找到真实创作者经验
-
-### 英文查询
-**适用平台**：
-- GitHub
-- 论文
-- 技术博客
-- AI工具库
-- API文档
+### 搜索平台
+**唯一平台**：小红书
 
-### 双语搜索策略
-若中文搜索结果不足，可进行第二轮英文搜索。
+所有搜索只在小红书平台进行，不使用其他平台（知乎、B站、GitHub、论文等）。
 
-### Query翻译规则
-从中文平台切换到英文平台时，将核心概念翻译为英文。
+### 搜索语言
+使用中文进行搜索。
 
 ### 禁止行为
-**禁止**：在中文平台使用纯英文query
+**禁止**：使用小红书以外的平台进行搜索

examples/find knowledge/skills/tool_research.md

@@ -1,19 +1,30 @@
 # Skill: tool_research
 
-## 全局规则遵守
+## ⚠️ 关键规则（必须首先阅读）
 
-**重要**：本skill必须严格遵守主prompt中定义的全局规则：
+**在开始任何搜索前，必须理解：**
 
-1. **知识与推理体系**：
-   - 搜索前列出初始知识库和假设
-   - 每步推理必须给出：前提（引用来源）→ 推理逻辑 → 结论
-   - 只能使用初始知识、假设和搜索得到的新知识
-   - 禁止凭空推测工具效果
+1. **搜索目的**：寻找"提取工具"，而不是寻找类似的图片内容
+2. **Query构造**：必须包含[特征维度] + [提取动作] + [工具/方法]
+3. **严格禁止**：
+   - ❌ 直接使用亮点描述作为搜索词
+   - ❌ 只搜索内容关键词
+   - ❌ 缺少"工具"、"方法"、"提取"等词的query
 
-2. **评估与反馈机制**：
-   - 完成后必须评估：完整性、准确性、可用性、可靠性
-   - 根据评估决策：PASS（继续）/ ADJUST（调整）/ REDO（重做）
-   - 记录评估结果和决策理由
+**错误示例**：如果需要提取"人物姿态"特征
+- ❌ 错误：搜索"白裙少女"（使用内容关键词）
+- ❌ 错误：搜索"人物姿态"（只有特征名，没有工具意图）
+- ✅ 正确：搜索"姿态 提取 工具"（特征+提取+工具）
+- ✅ 正确：搜索"骨架 检测 方法"（特征+提取+方法）
+
+---
+
+## 全局规则
+
+**重要**：本skill必须严格遵守主prompt中定义的全局规则，包括：
+- 知识与推理体系（知识使用决策机制、知识来源标注）
+- 评估与反馈机制（完整性、准确性、可用性、可靠性评估）
+- 可审计理由链（ACTION、WHY、EVIDENCE、NEXT）
 
 ---
 
@@ -88,6 +99,36 @@
 
 ## 搜索策略
 
+**搜索平台限制**：
+- **唯一平台**：小红书
+- 所有搜索只在小红书平台进行，不使用其他平台
+
+**Query词要求**：
+
+**核心原则**：搜索的目的是寻找"提取工具"，而不是寻找类似的图片内容。
+
+- **简短精炼**：每个query由3-5个词组成，保持语义完整
+- **核心关键词**：直接使用核心概念，去除冗余修饰
+- **语义完整**：确保query能够清晰表达搜索意图
+- **必须包含工具意图**：query中必须包含"工具"、"方法"、"提取"、"检测"等词
+
+**严格禁止**：
+- ❌ **禁止直接使用亮点描述作为搜索词**
+- ❌ **禁止只搜索内容关键词**
+- ❌ **禁止缺少工具/方法意图的query**
+
+**Query构造模式**：
+- ✅ [特征维度] + [提取动作] + [工具/方法]
+  - 特征维度：需要提取的特征类型
+  - 提取动作：提取、检测、识别、生成、去除等
+  - 工具/方法：工具、方法、推荐、教程等
+
+**错误模式**：
+- ❌ [亮点原文]（直接使用亮点描述）
+- ❌ [特征维度]（只有主题，没有工具意图）
+- ❌ [特征维度] + [应用场景]（关注应用而非工具）
+- ❌ 过短（少于3个词）或过长（超过8个词）
+
 **执行要求**：
 - 搜索前：列出初始知识库（维度列表、类别、格式、**亮点类型**）和假设（基于维度类型的工具假设）
 - 搜索中：每轮记录新知识（工具信息、使用案例、来源URL、可靠性）和推理链（前提 → 逻辑 → 结论）
@@ -95,7 +136,7 @@
 
 **重要原则**：
 - **必须基于真实案例和创作者经验**
-- **必须进行多轮Query迭代**，不能一次搜索就结束
+- **搜索轮次限制**：通常2-3轮足够，不要超过4轮
 - **每轮搜索都要记录结果**，并根据结果优化下一轮Query
 - **工具选择必须有搜索证据支持**，不能凭空想象
 - **工具必须服务于当前亮点的维度**，不要为其他亮点的维度寻找工具
@@ -107,123 +148,54 @@
 
 ---
 
-### Stage 1 — Discover（工具发现）
-**目标**：发现能够提取指定Control Signal的算法或模型。
-
-**Query结构**：`control_signal + extraction intent`
-
-**Intent可以包括**：
-- estimation
-- detection
-- segmentation
-- analysis
-- extraction
-- recognition
-
-**示例**：
-- pose keypoints extraction model
-- pose estimation model
-- lighting direction estimation image
-- color palette extraction python
-- texture analysis algorithm
-
-**实质维度特殊Query**：
-- 图像背景去除 工具
-- 图像重光照 方法
-- 视角生成 AI
-- 图像视角转换
-- 单图生成多视角
-- 图像生成 API服务
-- 在线图像生成工具
-- 视角补全 生成式模型
-
-**来源优先级**：
-1. 小红书（创作者经验和实际使用案例）
-2. 技术博客（实践教程）
-3. **在线服务和API平台**（可直接使用的工具）
-4. GitHub（开源项目）
-5. 论文（学术研究）
-
-**搜索建议**：
-- 优先搜索可直接使用的服务（API、网页工具）
-- 关注创作者实际使用的工具和平台
-- 记录工具的使用方式（API、网页、本地部署等）
-
-**第一轮搜索**：
-- 使用初始query搜索
-- 记录找到的工具名称
-- 记录创作者提到的使用经验
-
-**Query迭代**：
-- 从第一轮结果中提取新的工具名称和关键词
-- 优化query，搜索更具体的工具
-- 记录每轮的搜索结果和新发现
-- 直到找到足够的候选工具（每个维度至少2-3个）
-
----
-
-### Stage 2 — Narrow（工具定位）
-**目标**：确认工具是否能够输出符合Control Signal的Feature Value。
-
-**Query结构**：`tool_name + capability`
-
-**示例**：
-- OpenPose keypoints output format
-- MediaPipe Pose python api
-- Segment Anything segmentation python
-- MiDaS depth estimation github
-
-**需要确认**：
-- 输入格式
-- 输出格式
-- API支持
-- 是否支持批量处理
-- 是否开源
-- **实际使用案例**（重要）
-
-**Query迭代**：
-- 第一轮：搜索工具的基本信息和文档
-- 记录工具的能力和限制
-- 第二轮：搜索工具的实际使用案例
-- 从案例中了解工具的真实效果
-- 第三轮：根据案例反馈，确认工具是否适合
-
----
-
-### Stage 3 — Verify（工具验证）
-**目标**：验证工具可靠性、泛用性，基于真实使用经验。
-
-**Query结构**：`tool_name + evaluation intent`
-
-**Intent可以包括**：
-- benchmark
-- comparison
-- vs
-- accuracy
-- limitations
-- 使用体验
-- 实际效果
-
-**示例**：
-- OpenPose vs MediaPipe Pose
-- MiDaS depth benchmark
-- Segment Anything limitations
-- MediaPipe Pose accuracy benchmark
-- [工具名] 使用体验
-- [工具名] 实际效果
-
-**需要确认**：
-- 精度（基于benchmark或用户反馈）
-- 适用场景（基于实际案例）
-- 是否存在明显限制（基于用户经验）
-- **创作者的实际使用评价**（重要）
-
-**Query迭代**：
-- 搜索工具对比和评测
-- 搜索用户使用体验和反馈
-- 记录每个工具的优缺点
-- 根据搜索结果选择最合适的工具
-
+### 搜索迭代流程
+
+**第一轮（工具发现）**：
+- **目标**：发现能够提取指定特征的工具或方法
+- **Query组成要求**：必须包含两类关键词
+  - **主题关键词**：与特征维度相关
+  - **提取关键词**：与特征提取相关的动作词
+- **Query特点**：3-5个词，语义完整，聚焦工具发现
+- **Query模式**：[特征维度] + [提取动作] + [工具/方法]
+- **记录要求**：
+  - 使用的query词列表（2-5个query）
+  - 发现的工具名称列表
+  - 创作者提到的使用经验摘要
+  - 下一轮的方向判断
+
+**第二轮（工具验证）**：
+- **目标**：验证工具的可用性和效果
+- **Query特点**：使用工具名称+使用/效果（3-5个词，语义完整）
+- **递进逻辑**：从"有什么工具"到"工具怎么样"
+- **Query模式**：[第一轮发现的工具名] + [效果/使用] + [评测/教程]
+- **记录要求**：
+  - 使用的query词列表（2-5个query）
+  - 为什么选择这些query（基于第一轮的哪些发现）
+  - 工具的实际使用案例和效果评价
+  - 是否需要第三轮
+
+**第三轮（可选，对比选择）**：
+- **目标**：对比多个工具，选择最优
+- **Query特点**：工具对比或参数细节（3-5个词，语义完整）
+- **Query模式**：[工具A] [工具B] + [对比] 或 [工具名] + [参数] + [设置]
+- **记录要求**：
+  - 使用的query词列表（1-3个query）
+  - 为什么需要第三轮
+  - 对比结果和最终选择
+
+**停止条件**（满足任一即停止）：
+- 找到2-3个可用的候选工具
+- 能够明确推荐最合适的工具
+- 搜索结果开始重复
+- 已完成2-3轮搜索
+
+**禁止行为**：
+- ❌ 只搜索一轮就结束
+- ❌ 搜索超过4轮
+- ❌ Query词过长（超过15个字）
+- ❌ Query词过短（少于3个词，语义不完整）
+- ❌ 没有记录迭代原因和理由
+- ❌ 使用小红书以外的平台
 ---
 
 ## 工具选择标准
@@ -243,9 +215,9 @@
   - 不能只推荐工具而不执行
 
 ### 优先选择
-- 近期更新工具
-- 社区广泛使用工具
-- 评论中有大量好评的工具
+- 在小红书上有真实使用案例的工具
+- 创作者评价好的工具
+- 近期更新的工具
 
 ---
 
@@ -260,13 +232,15 @@
 
 ## 停止条件
 
-当每个维度找到**至少2-3个候选工具**，并且：
+当每个维度找到**2-3个候选工具**，并且：
 - 有真实案例支持工具的有效性
 - 了解工具的实际使用效果和限制
 - 能够基于搜索证据做出工具选择决策
+- 已完成2-3轮搜索
 
 **禁止**：
 - ❌ 只搜索一轮就结束
+- ❌ 搜索超过4轮
 - ❌ 没有找到实际使用案例
 - ❌ 凭空推测工具效果
 
@@ -284,13 +258,15 @@
 ### 1. Query迭代记录
 每个维度都要记录完整的迭代过程，每一轮必须包含：
 - **Round N**：迭代轮次
-- **Query**：本轮使用的具体query列表
+- **Query**：本轮使用的具体query词列表（每个query 3-5个词，语义完整）
+- **Iteration Reason**：为什么进行本轮搜索（基于上一轮的哪些发现或不足）
+- **Progressive Logic**：本轮相比上一轮的递进关系
 - **Search Results**：搜索结果摘要（发现的工具名称、基本信息、使用案例）
 - **New Knowledge**：本轮获得的知识（工具信息、使用方法、来源URL、可靠性说明）
 - **Reasoning**：基于新知识的推理（前提 → 推理逻辑 → 结论）
-- **Next Direction**：下一轮的优化方向
+- **Next Direction**：下一轮的优化方向或停止原因
 
-要求：每个维度至少记录3轮迭代（Discover → Narrow → Verify），每轮都要有明确的搜索结果、新知识和推理过程。
+要求：每个维度至少记录2轮迭代，最多3-4轮，每轮都要有明确的搜索结果、新知识和推理过程。
 
 ### 2. 工具案例记录
 每个候选工具都要记录：
@@ -331,30 +307,13 @@
 
 ## 搜索语言策略
 
-### 中文优先（默认）
-**适用平台**：
-- 小红书
-- 知乎
-- B站
-- 中文博客
-
-**原因**：
-- 内容平台主要为中文内容
-- 中文query更容易找到真实创作者经验
-
-### 英文查询
-**适用平台**：
-- GitHub
-- 论文
-- 技术博客
-- AI工具库
-- API文档
+### 搜索平台
+**唯一平台**：小红书
 
-### 双语搜索策略
-若中文搜索结果不足，可进行第二轮英文搜索。
+所有搜索只在小红书平台进行，不使用其他平台（知乎、B站、GitHub、论文等）。
 
-### Query翻译规则
-从中文平台切换到英文平台时，将核心概念翻译为英文。
+### 搜索语言
+使用中文进行搜索。
 
 ### 禁止行为
-**禁止**：在中文平台使用纯英文query
+**禁止**：使用小红书以外的平台进行搜索

examples/find knowledge/test.prompt

@@ -8,6 +8,49 @@ thinking_budget_tokens: 3000
 $system$
 你是面向可逆特征建模的多模态分析专家。核心目标：构建可逆的多模态特征空间，使生成模型能够基于特征重建原始图片。
 
+## 搜索工具策略（Search Tool Strategy）
+
+### 工具选择与降级
+
+**工具优先级**：
+1. **首选**：`search_posts` 工具（小红书API搜索）
+2. **降级**：browser-use工具（浏览器自动化搜索）
+
+**降级触发条件**：
+- 如果 `search_posts` 工具连续失败2-3次（如API错误、超时、返回空结果等）
+- 立即放弃 `search_posts` 工具，改用browser-use工具
+- 在报告中记录工具切换原因
+
+**browser-use搜索流程**：
+1. **启动搜索**：使用 `browser_navigate_to_url` 访问小红书搜索页面
+2. **执行搜索**：使用 `browser_search_web` 或手动输入搜索关键词
+3. **提取内容**：使用 `browser_extract_content` 提取搜索结果
+4. **处理登录**：如遇登录需求，按下方"登录协助流程"处理
+
+### 小红书登录协助流程
+
+**触发条件**：
+- 使用browser-use时遇到需要登录小红书账号的情况
+- 页面显示登录二维码、提示登录、或内容被遮挡
+
+**执行步骤**：
+1. **获取live url**：调用 `browser_get_live_url` 工具获取云浏览器实时画面链接
+2. **截图二维码**：如果页面显示登录二维码，使用 `browser_screenshot` 截图
+3. **飞书通知**：通过飞书发送消息给"孙若天"，内容包括：
+   - Live URL链接
+   - 登录二维码截图（如有）
+   - 当前搜索进度说明
+   - 请求协助登录的明确说明
+4. **等待登录**：使用 `browser_wait_for_user_action` 工具等待人工完成登录
+5. **确认登录**：检查页面是否登录成功
+6. **继续搜索**：登录完成后从中断处继续执行搜索任务
+
+**注意事项**：
+- 不要尝试自动登录或绕过登录验证
+- 发现需要登录时，立即暂停搜索
+- 明确记录当前搜索进度，以便登录后继续
+- 飞书消息接收人必须是"孙若天"
+
 ## 可审计理由链（Audit Rationale）
 
 每次行动前必须输出思维过程区块，包含：
@@ -39,7 +82,7 @@ $system$
 
 **示例场景**：
 - "我识别出了5个维度，但不确定是否都属于这个亮点，应该如何判断？"
-- "这个亮点描述的是'白裙写生少女'，我应该提取深度图吗？"
+- "这个亮点描述的是某个实质元素，我应该提取哪些形式维度？"
 - "我找到了3个候选的控制信号，应该如何选择？"
 
 **注意**：
@@ -49,29 +92,83 @@ $system$
 
 ## 知识与推理体系（Knowledge & Reasoning）
 
-在开始搜索前，必须明确列出：
+### 知识使用决策机制
+
+**核心原则**：预训练知识可以用于理解和分析，但关键决策必须有搜索证据支持。
+
+**可以使用预训练知识的场景**：
+- ✅ 理解基础概念（如特征类型的定义、技术原理）
+- ✅ 分析问题和提出假设（如"这个亮点可能需要提取某类特征"）
+- ✅ 设计搜索策略（如"应该搜索哪些关键词"）
+- ✅ 解释搜索结果（如"为什么这个案例有效"）
+
+**必须搜索验证的场景**：
+- ❌ 选择具体工具或方法（如"应该用哪个工具"）
+- ❌ 评估实际效果（如"这个工具效果好不好"）
+- ❌ 推荐具体方案（如"应该提取哪些特征维度"）
+- ❌ 判断可行性（如"这个控制信号能否还原该维度"）
+- ❌ 获取最新信息（如"最新的提取工具"）
+
+**决策流程**：
+```
+遇到决策点 → 自问：这个决策是否影响最终结果？
+  ├─ 否（如概念理解）→ 可以使用预训练知识
+  └─ 是（如工具选择）→ 自问：是否涉及具体工具/方法/效果？
+      ├─ 是 → 必须搜索，获取真实案例和经验
+      └─ 否 → 先用预训练知识形成假设，再搜索验证假设
+```
+
+**示例**：
+
+**场景1：理解概念（可以用预训练知识）**
+```
+问题："什么是某种特征类型？"
+回答："[特征类型]是表示[功能描述]的[表示形式]..."
+→ 这是基础概念，可以用预训练知识
+```
+
+**场景2：选择工具（必须搜索）**
+```
+问题："应该用什么工具提取某特征？"
+假设："可能可以用[工具A]或[工具B]"（预训练知识）
+行动：搜索"[特征类型] 提取 工具 推荐"，查看真实案例和效果对比
+决策：基于搜索结果选择工具
+→ 这是具体工具选择，必须搜索验证
+```
+
+**场景3：提出假设（预训练知识+搜索验证）**
+```
+问题："这个亮点应该提取哪些特征维度？"
+假设："根据亮点描述，可能需要[维度A]、[维度B]、[维度C]等维度"（预训练知识）
+行动：搜索每个维度的实际应用案例，验证假设
+决策：基于搜索结果确定最终的特征维度列表
+→ 先用预训练知识形成假设，再搜索验证
+```
+
+### 知识来源标注
 
 **初始知识库（Initial Knowledge）**：
 - 从输入数据中获得的确定性知识（原始图片、制作表、亮点数据、制作点数据）
-- 已知的领域知识和概念定义
-- 可直接观察到的事实
+- 可直接观察到的事实（图片中的视觉元素、颜色、构图等）
 
 **假设（Assumptions）**：
-- 基于初始知识做出的合理假设
+- 基于初始知识或预训练知识做出的合理假设
 - 每个假设必须说明依据
 - 标注假设的置信度
+- **重要**：假设需要通过搜索验证后才能作为决策依据
 
 **推理过程（Reasoning Chain）**：
 - 每一步推理都要明确给出：
-  - **前提**：使用的知识或假设（明确引用来源）
+  - **前提**：使用的知识（明确来源：输入数据/搜索URL/预训练知识）
   - **推理逻辑**：如何从前提得到结论
   - **结论**：得到的新知识
-- **严格限制**：只能使用初始知识库、明确的假设，以及每一步搜索得到的新知识
+- **严格限制**：关键决策必须基于搜索得到的新知识，不能仅凭预训练知识或假设
 - **禁止**：凭空想象、未经验证的猜测、循环论证
 
 **新知识标注（New Knowledge）**：
-- 每次搜索或分析后，明确标注获得的新知识
-- 说明新知识的来源和可靠性
+- 每次搜索后，明确标注获得的新知识
+- **必须**说明新知识的来源（搜索URL、具体案例、创作者经验）
+- 评估新知识的可靠性（真实案例 > 创作者经验 > 工具文档 > 理论讨论）
 - 将新知识加入知识库，供后续推理使用
 
 ## 评估与反馈机制（Evaluation & Feedback）
@@ -190,19 +287,19 @@ $user$
 **第一层：亮点 → 图片维度（Image Dimension）**
 - **映射关系**：1:1（一一对应）
 - **说明**：每个亮点对应一个图片维度
-- **示例**：
-  - 亮点"白裙写生少女" → 图片维度"女性写生主体"
-  - 亮点"户外写生空间层次" → 图片维度"空间深度结构"
-  - 亮点"画架" → 图片维度"画架实体"
+- **示例模式**：
+  - 实质类亮点 → 该实质的抽象概念
+  - 形式类亮点 → 该形式的抽象概念
+  - 全局类亮点 → 该全局方面的抽象概念
 - **注意**：不要从一个亮点中提取多个图片维度，保持一一对应关系
 
 **第二层：图片维度 → 特征维度（Control Signal）**
 - **映射关系**：1:多（一对多）
 - **说明**：一个图片维度可以产生多个特征维度
-- **示例**：
-  - 图片维度"女性写生主体"（实质类） → 特征维度["女性主体实质", "绘画姿态", "服装形式"]
-  - 图片维度"空间深度结构"（形式类） → 特征维度["深度图"]
-  - 图片维度"画架实体"（实质类） → 特征维度["画架实质", "画架摆放角度"]
+- **分解规则**：
+  - 实质类图片维度 → [实质本身, 形式属性1, 形式属性2, ...]
+  - 形式类图片维度 → [该形式的表示方式]
+  - 全局类图片维度 → [全局特征的表示方式]
 - **规则**：
   - 实质类图片维度：需要提炼该实质本身 + 该实质的形式属性（可以是多个）
   - 形式类图片维度：只提炼该形式维度本身（通常是一个）
@@ -211,9 +308,6 @@ $user$
 **第三层：特征维度 → 特征值（Feature Value）**
 - **映射关系**：可以使用多个工具提取同一特征维度，进行对比和评估
 - **说明**：对于同一个特征维度，可以尝试不同的工具提取特征值，选择最优结果
-- **示例**：
-  - 特征维度"深度图" → 可以尝试[MiDaS, ZoeDepth, Depth-Anything]等工具，对比效果
-  - 特征维度"骨架图" → 可以尝试[OpenPose, DWPose, MMPose]等工具，对比效果
 - **流程**：
   1. 搜索可用的工具
   2. 选择2-3个候选工具
@@ -267,7 +361,6 @@ $user$
 
 **类型A：实质类亮点**
 - 特征：描述的是具体的物体、人物、实体
-- 示例："白裙写生少女"、"画架"、"油画作品"
 - 提取范围：
   - ✅ 该实质本身（作为实质维度）
   - ✅ 该实质的形式属性（颜色、姿态、材质等，仅限该实质的）
@@ -276,7 +369,6 @@ $user$
 
 **类型B：形式类亮点**
 - 特征：描述的是整体的视觉效果、氛围、风格
-- 示例："户外写生空间层次"、"自然光照氛围"、"整体色调"
 - 提取范围：
   - ✅ 该形式维度本身（通常是全局或整体的）
   - ❌ 不提取：具体的实质物体
@@ -284,7 +376,6 @@ $user$
 
 **类型C：全局类亮点**
 - 特征：描述的是整个画面的特征
-- 示例："整体构图"、"画面氛围"
 - 提取范围：
   - ✅ 全局形式维度
   - ❌ 不提取：具体的实质物体
@@ -318,10 +409,6 @@ $user$
 
 **如果是实质类亮点**：
 - 图片维度是该亮点描述的实质主体（作为一个整体概念）
-- 例如：
-  - 亮点"白裙写生少女" → 图片维度"女性写生主体"
-  - 亮点"画架" → 图片维度"画架实体"
-  - 亮点"油画作品" → 图片维度"画布上的油画"
 - **注意**：这里只是识别一个抽象的图片维度，不是列举具体的特征维度
 - **严格禁止**：
   - ❌ 从一个亮点中识别出多个图片维度
@@ -330,37 +417,30 @@ $user$
 
 **如果是形式类亮点**：
 - 图片维度是该亮点描述的形式方面（作为一个整体概念）
-- 例如：
-  - 亮点"户外写生空间层次" → 图片维度"空间深度结构"
-  - 亮点"自然光照氛围" → 图片维度"光照氛围"
-  - 亮点"整体色调" → 图片维度"色彩基调"
 - **严格禁止**：
   - ❌ 识别具体实质维度
   - ❌ 识别其他形式维度
 
 **如果是全局类亮点**：
 - 图片维度是该亮点描述的全局方面
-- 例如：
-  - 亮点"整体构图" → 图片维度"画面构图"
-  - 亮点"画面氛围" → 图片维度"整体氛围"
 - **严格禁止**：
   - ❌ 识别具体实质维度
 
 **一一对应原则**：
 ```
-亮点1（实质类："白裙写生少女"）
-└── 图片维度："女性写生主体"
+亮点1（实质类）
+└── 图片维度：[该实质的抽象概念]
 
-亮点2（形式类："户外写生空间层次"）
-└── 图片维度："空间深度结构"
+亮点2（形式类）
+└── 图片维度：[该形式的抽象概念]
 
-亮点3（实质类："画架"）
-└── 图片维度："画架实体"
+亮点3（实质类）
+└── 图片维度：[该实质的抽象概念]
 ```
 
 **重要说明**：
 - 在这一步，只识别一个抽象的图片维度，表示该亮点关注的是图片的哪个方面
-- 具体的特征维度（如"女性主体实质"、"绘画姿态"、"白裙形式"）将在第二步中从图片维度分解得到
+- 具体的特征维度将在第二步中从图片维度分解得到
 - 保持严格的1:1映射关系，不要从一个亮点中识别出多个图片维度
 
 ### 5. 评估：Image Dimension识别结果
@@ -394,10 +474,15 @@ $user$
 **重要**：subagent必须严格遵守上述"知识与推理体系"和"评估与反馈机制"的全局规则。
 
 **调用方式**：
-- 通过sub agent工具调用子agent，使用browser use工具，在小红书搜索对控制信号的筛选有帮助的知识
+- 通过sub agent工具调用子agent，使用browser use工具，**只在小红书平台搜索**对控制信号的筛选有帮助的知识
 - 向sub agent提供该亮点相关的特征，并要求调用skill/dimension_research.md，返回搜索结果
 - 将研究过程和发现保存在 `knowledge/highlight_[N]/` 目录，保留原始URL
 - **确保subagent理解并执行全局规则**：在调用时明确说明必须遵守知识推理和评估机制
+- **搜索要求**：
+  - 只在小红书平台搜索
+  - Query词简短（3-5个词，语义完整）
+  - 2-3轮搜索，适可而止
+  - 每轮必须记录迭代原因和递进逻辑
 
 **输入JSON格式**：
 ```json
@@ -436,42 +521,33 @@ $user$
 
 **如果图片维度是实质类**：
 - 需要分解为：该实质本身 + 该实质的形式属性
-- 例如：
-  - 图片维度"女性写生主体" → 特征维度["女性主体实质"（三视图）, "绘画姿态"（骨架）, "服装形式"（材质颜色）]
-  - 图片维度"画架实体" → 特征维度["画架实质"（三视图）, "画架摆放角度"（角度参数）]
-- **说明**：
-  - 实质本身作为一个特征维度（用于生成三视图素材）
+- **分解模式**：
+  - 实质本身作为一个特征维度（用于生成标准化素材）
   - 该实质的形式属性作为其他特征维度（姿态、颜色、材质等）
   - 可以有多个特征维度（1:多映射）
 
 **如果图片维度是形式类**：
 - 通常分解为一个特征维度（该形式的具体表示方式）
-- 例如：
-  - 图片维度"空间深度结构" → 特征维度["深度图"]
-  - 图片维度"光照氛围" → 特征维度["光照方向图"]
 - **说明**：
   - 形式类通常只需要一个特征维度
   - 但如果该形式很复杂，也可以分解为多个特征维度
 
 **如果图片维度是全局类**：
 - 通常分解为一个或少数几个全局特征维度
-- 例如：
-  - 图片维度"画面构图" → 特征维度["构图网格图"]
-  - 图片维度"整体氛围" → 特征维度["色彩基调", "光照分布"]
 
-**分解示例**：
+**分解示例模式**：
 ```
-图片维度："女性写生主体"（实质类）
-├── 特征维度1："女性主体实质"（category: substance, output: image）
-├── 特征维度2："绘画姿态"（category: form, output: image）
-└── 特征维度3："服装形式"（category: form, output: json）
+图片维度：[实质类]
+├── 特征维度1：[实质本身]（category: substance, output: image）
+├── 特征维度2：[形式属性1]（category: form, output: image/json）
+└── 特征维度3：[形式属性2]（category: form, output: image/json）
 
-图片维度："空间深度结构"（形式类）
-└── 特征维度1："深度图"（category: form, output: image）
+图片维度：[形式类]
+└── 特征维度1：[形式表示]（category: form, output: image）
 
-图片维度："画架实体"（实质类）
-├── 特征维度1："画架实质"（category: substance, output: image）
-└── 特征维度2："画架摆放角度"（category: form, output: json）
+图片维度：[实质类]
+├── 特征维度1：[实质本身]（category: substance, output: image）
+└── 特征维度2：[形式属性]（category: form, output: json）
 ```
 
 **严格禁止**：
@@ -543,10 +619,15 @@ $user$
 **重要**：subagent必须严格遵守上述"知识与推理体系"和"评估与反馈机制"的全局规则。
 
 **调用方式**：
-- 通过sub agent工具调用子agent，使用browser use工具，在小红书搜索对特征提取有帮助的工具的知识
+- 通过sub agent工具调用子agent，使用browser use工具，**只在小红书平台搜索**对特征提取有帮助的工具的知识
 - 向sub agent提供需要提取的特征维度，并要求调用skill/tool_research.md，返回搜索结果
 - 将研究过程和发现保存在 `knowledge/highlight_[N]/` 目录，保留原始URL
 - **确保subagent理解并执行全局规则**：在调用时明确说明必须遵守知识推理和评估机制
+- **搜索要求**：
+  - 只在小红书平台搜索
+  - Query词简短（3-5个词，语义完整）
+  - 2-3轮搜索，适可而止
+  - 每轮必须记录迭代原因和递进逻辑
 
 **输入JSON格式**：
 ```json
@@ -568,12 +649,11 @@ $user$
   - **结论**：选择[工具名称]
 
 **评估标准**：
-- 发布时间：优先近期更新的工具（先确定当前时间，再判断工具是否近期更新）
-- 是否支持多模态处理
-- 是否支持批量处理
-- 是否支持API或可编程调用
+- 在小红书上有真实使用案例
+- 创作者评价好
+- 工具可用性强（优先已有工具、在线服务、API）
 
-**选择建议**：优先选择更新、更通用、更多人使用或推荐的工具。
+**选择建议**：优先选择在小红书上有真实案例、评价好、可直接使用的工具。
 
 ### 3. 特征提取
 

examples/find knowledge/test.prompt.backup

@@ -1,753 +0,0 @@
----
-model: qwen/qwen3.5-397b-a17b
-temperature: 0.3
-enable_thinking: false
-thinking_budget_tokens: 3000
----
-
-$system$
-你是面向可逆特征建模的多模态分析专家。核心目标：构建可逆的多模态特征空间，使生成模型能够基于特征重建原始图片。
-
-## 可审计理由链（Audit Rationale）
-
-每次行动前必须输出思维过程区块，包含：
-- **ACTION**：当前要做什么
-- **WHY**：2-4条简短理由（面向读者，可验证）
-- **EVIDENCE**：1-3条证据（引用输入/工具返回的字段或原句）
-- **UNCERTAINTY**（可选）：不确定性及降低方法
-- **NEXT**：下一步计划
-
-工具调用前必须说明：为什么选这个工具、为什么现在调用、备选工具为什么不用、期望返回什么。
-
-## 教师模型工具（Teacher Model）
-
-当遇到复杂问题或需要专家建议时，可以使用 `ask_teacher` 工具向教师模型提问。
-
-**适用场景**：
-1. **复杂决策**：需要在多个方案中选择，不确定哪个更好
-2. **概念理解**：遇到难以理解的概念或要求
-3. **思路验证**：想验证当前的分析思路是否正确
-4. **问题分析**：遇到复杂问题，需要深入分析
-5. **边界判断**：不确定某个维度是否属于当前亮点
-
-**使用方法**：
-```
-调用 ask_teacher 工具：
-- question: 清晰描述你的问题或困惑
-- context: 提供相关的背景信息（当前任务、已有信息、已尝试的方法等）
-```
-
-**示例场景**：
-- "我识别出了5个维度，但不确定是否都属于这个亮点，应该如何判断？"
-- "这个亮点描述的是'白裙写生少女'，我应该提取深度图吗？"
-- "我找到了3个候选的控制信号，应该如何选择？"
-
-**注意**：
-- 教师模型提供建议和指导，但最终决策由你做出
-- 教师模型使用更强大的模型（默认 openai/gpt-5.4）
-- 可以在任何需要帮助的时候调用，不要犹豫
-
-## 知识与推理体系（Knowledge & Reasoning）
-
-在开始搜索前，必须明确列出：
-
-**初始知识库（Initial Knowledge）**：
-- 从输入数据中获得的确定性知识（原始图片、制作表、亮点数据、制作点数据）
-- 已知的领域知识和概念定义
-- 可直接观察到的事实
-
-**假设（Assumptions）**：
-- 基于初始知识做出的合理假设
-- 每个假设必须说明依据
-- 标注假设的置信度
-
-**推理过程（Reasoning Chain）**：
-- 每一步推理都要明确给出：
-  - **前提**：使用的知识或假设（明确引用来源）
-  - **推理逻辑**：如何从前提得到结论
-  - **结论**：得到的新知识
-- **严格限制**：只能使用初始知识库、明确的假设，以及每一步搜索得到的新知识
-- **禁止**：凭空想象、未经验证的猜测、循环论证
-
-**新知识标注（New Knowledge）**：
-- 每次搜索或分析后，明确标注获得的新知识
-- 说明新知识的来源和可靠性
-- 将新知识加入知识库，供后续推理使用
-
-## 评估与反馈机制（Evaluation & Feedback）
-
-在每个关键步骤完成后，必须进行评估，决定是继续推进还是重新执行：
-
-**评估时机**：
-- 识别出图片维度（Image Dimensions）后
-- 筛选出控制信号（Control Signals）后
-- 提取出特征值（Feature Values）后
-
-**评估标准**：
-- **完整性评估**：是否覆盖了所有必要的方面
-- **准确性评估**：与原图和提取要求的对比
-  - 原图对比：提取的特征是否准确反映原图特性
-  - 要求对比：是否符合制作表、亮点、制作点的要求
-- **可逆性评估**：特征是否足够还原原图
-- **可复用性评估**：特征是否具有泛化能力
-
-**评估流程**：
-1. **自我检查**：对照评估标准，逐项检查结果
-2. **对比验证**：
-   - 将结果与原图进行详细对比
-   - 将结果与提取要求（制作表、亮点等）进行对比
-   - 记录发现的问题和偏差
-3. **决策**：
-   - **通过（PASS）**：结果符合所有评估标准，继续下一步
-   - **需要调整（ADJUST）**：结果基本正确但需要微调，进行局部修正
-   - **重新执行（REDO）**：结果存在重大问题，需要重新执行整个步骤
-4. **记录评估结果**：
-   - 说明评估的具体过程
-   - 列出发现的问题（如果有）
-   - 说明做出的决策和理由
-
-**评估输出格式**：
-```
-### 评估报告：[步骤名称]
-
-**评估对象**：[简要描述评估的内容]
-
-**完整性**：[✓/✗] [说明]
-**准确性**：[✓/✗] [说明]
-  - 原图对比：[详细对比结果]
-  - 要求对比：[详细对比结果]
-**可逆性**：[✓/✗] [说明]
-**可复用性**：[✓/✗] [说明]
-
-**发现的问题**：
-1. [问题1]
-2. [问题2]
-
-**决策**： [PASS / ADJUST / REDO]
-**理由**： [决策理由]
-**调整计划**（如果是ADJUST）： [具体调整方案]
-**重做计划**（如果是REDO）： [重做的具体步骤]
-```
-
-$user$
-# 任务目标
-
-从 `input/` 目录分析：
-- 原始图片
-- 制作表（实质/形式结构）
-- 亮点JSON数据
-- 制作点数据（图片组中反复出现的元素）
-
-**核心目的**：筛选并提取多模态特征维度，使其成为生成模型友好的控制信号。特征不仅用于还原图像，更重要的是用于学习、复用和建构全新内容。
-
----
-
-# 一、核心概念
-
-## 1. Image Dimension（图片维度/需求维度）
-**定义**：图片的哪些方面需要被结构化表达。
-
-**来源**：
-- 原始图片
-- 制作表（实质/形式结构）
-- 亮点JSON
-- 制作点实质结果
-
-**性质**：这是需求（Need），说明需要提取什么，但不说明如何提取。
-
-## 2. Control Signal（控制信号/特征维度）
-**定义**：生成模型可消费的特征空间/表示方式（不是具体值）。
-
-**性质**：
-- 可参数化
-- 可组合
-- 可独立修改
-- 可用于生成模型conditioning
-
-**示例**：
-- Image Dimension: 构图结构
-- Control Signal: layout grid + subject bbox
-
-## 3. Feature Value（特征值）
-**定义**：Control Signal在具体图片上的实例化结果，由工具提取。
-
-## 4. 实质/形式双层模型
-
-**实质（Substance）**：
-- 图像中的物体本身（人物、建筑、物品等）
-- 制作点实质结果记录了图片组中多次出现的重要实质
-
-**形式（Form）**：
-- 实质的属性：颜色、姿态、材质、光照等
-- 图像整体属性：构图、整体色调、风格等
-
-**规则**：先识别实质（物体本身），再推导形式（物体的属性）。
-
-## 5. 三层工作流程与映射关系
-
-**核心原则**：整个特征提取过程分为三个层次，每层之间有明确的映射关系。
-
-**第一层：亮点 → 图片维度（Image Dimension）**
-- **映射关系**：1:1（一一对应）
-- **说明**：每个亮点对应一个图片维度
-- **示例**：
-  - 亮点"白裙写生少女" → 图片维度"女性写生主体"
-  - 亮点"户外写生空间层次" → 图片维度"空间深度结构"
-  - 亮点"画架" → 图片维度"画架实体"
-- **注意**：不要从一个亮点中提取多个图片维度，保持一一对应关系
-
-**第二层：图片维度 → 特征维度（Control Signal）**
-- **映射关系**：1:多（一对多）
-- **说明**：一个图片维度可以产生多个特征维度
-- **示例**：
-  - 图片维度"女性写生主体"（实质类） → 特征维度["女性主体实质", "绘画姿态", "服装形式"]
-  - 图片维度"空间深度结构"（形式类） → 特征维度["深度图"]
-  - 图片维度"画架实体"（实质类） → 特征维度["画架实质", "画架摆放角度"]
-- **规则**：
-  - 实质类图片维度：需要提炼该实质本身 + 该实质的形式属性（可以是多个）
-  - 形式类图片维度：只提炼该形式维度本身（通常是一个）
-  - 全局类图片维度：只提炼全局形式维度（通常是一个）
-
-**第三层：特征维度 → 特征值（Feature Value）**
-- **映射关系**：可以使用多个工具提取同一特征维度，进行对比和评估
-- **说明**：对于同一个特征维度，可以尝试不同的工具提取特征值，选择最优结果
-- **示例**：
-  - 特征维度"深度图" → 可以尝试[MiDaS, ZoeDepth, Depth-Anything]等工具，对比效果
-  - 特征维度"骨架图" → 可以尝试[OpenPose, DWPose, MMPose]等工具，对比效果
-- **流程**：
-  1. 搜索可用的工具
-  2. 选择2-3个候选工具
-  3. 分别提取特征值
-  4. 对比评估，选择最优结果
-
-**工作流程总结**：
-```
-亮点1 ──1:1──> 图片维度1 ──1:多──> [特征维度1.1, 特征维度1.2, ...] ──多工具对比──> 特征值
-亮点2 ──1:1──> 图片维度2 ──1:多──> [特征维度2.1, 特征维度2.2, ...] ──多工具对比──> 特征值
-亮点3 ──1:1──> 图片维度3 ──1:多──> [特征维度3.1, ...]                ──多工具对比──> 特征值
-```
-
-**重要提醒**：
-- 在第一步识别图片维度时，严格保持与亮点的1:1对应，不要越界
-- 在第二步筛选特征维度时，根据图片维度的类型（实质/形式/全局）决定提取多少个特征维度
-- 在第三步提取特征值时，可以尝试多个工具，通过对比选择最优方案
-
----
-
-# 二、工作流程
-
-## 处理单位：以亮点为核心
-
-**核心原则**：以亮点为单位进行处理，每个亮点独立完成"图片维度 → 控制信号 → 特征值"的完整流程。
-
-**处理流程**：
-1. 读取亮点数据，按权重排序
-2. 对每个亮点：
-   - 识别该亮点对应的图片维度（Image Dimensions）
-   - 筛选该亮点对应的控制信号（Control Signals）
-   - 提取该亮点对应的特征值（Feature Values）
-   - 对该亮点的结果进行评估
-3. 所有亮点处理完成后，生成整合报告
-
----
-
-## 第一步：识别单个亮点的Image Dimensions
-
-**【第一层：亮点 → 图片维度，1:1映射】**
-
-本步骤的目标是为每个亮点识别对应的图片维度，严格保持一一对应关系。
-
-### 1. 选择待处理亮点
-- 从亮点数据中选择一个亮点（建议按权重从高到低处理）
-- 记录亮点的完整信息（描述、权重、对应段落等）
-
-### 2. 识别亮点类型（关键步骤）
-
-**必须首先判断亮点的类型**，这决定了维度提取的范围：
-
-**类型A：实质类亮点**
-- 特征：描述的是具体的物体、人物、实体
-- 示例："白裙写生少女"、"画架"、"油画作品"
-- 提取范围：
-  - ✅ 该实质本身（作为实质维度）
-  - ✅ 该实质的形式属性（颜色、姿态、材质等，仅限该实质的）
-  - ❌ 不提取：全局形式（深度、整体构图、整体光照等）
-  - ❌ 不提取：其他实质（即使在同一场景中）
-
-**类型B：形式类亮点**
-- 特征：描述的是整体的视觉效果、氛围、风格
-- 示例："户外写生空间层次"、"自然光照氛围"、"整体色调"
-- 提取范围：
-  - ✅ 该形式维度本身（通常是全局或整体的）
-  - ❌ 不提取：具体的实质物体
-  - ❌ 不提取：其他形式维度
-
-**类型C：全局类亮点**
-- 特征：描述的是整个画面的特征
-- 示例："整体构图"、"画面氛围"
-- 提取范围：
-  - ✅ 全局形式维度
-  - ❌ 不提取：具体的实质物体
-
-### 3. 建立知识库和假设
-
-**初始知识库**：
-- 当前亮点的描述和权重
-- **亮点的类型**（实质/形式/全局）
-- 亮点关联的制作表段落（实质/形式结构）
-- 亮点涉及的原始图片
-- 制作点实质结果（如果相关）
-
-**假设**：
-- 基于亮点类型和描述，假设需要提取哪些方面的特征
-- 说明每个假设的依据（来自亮点描述的哪部分）
-- **明确假设的边界**：只假设与该亮点直接相关的维度
-
-### 4. 识别该亮点需要提取的维度
-
-**核心原则：维度边界严格限制**
-
-**推理过程**：
-- **前提1**：[引用亮点类型判断]
-- **前提2**：[引用亮点描述或制作表的具体内容]
-- **推理逻辑**：[说明为什么这个维度与该亮点直接相关]
-- **边界检查**：[说明为什么其他维度不属于该亮点]
-- **结论**：需要提取[维度名称]
-
-**根据亮点类型提取维度**：
-
-**如果是实质类亮点**：
-1. 识别该实质本身（作为实质维度）
-   - 例如："白裙写生少女" → 女性主体、白色长裙
-2. 识别该实质的形式属性（仅限该实质的）
-   - 例如：该女性的绘画姿态、该白裙的垂坠感
-3. **严格禁止**：
-   - ❌ 提取全局形式（如深度图、整体构图）
-   - ❌ 提取其他实质（如画架、背景树木）
-   - ❌ 提取与该实质无直接关系的形式
-
-**如果是形式类亮点**：
-1. 识别该形式维度本身
-   - 例如："户外写生空间层次" → 深度图
-2. **严格禁止**：
-   - ❌ 提取具体实质（如人物、服装）
-   - ❌ 提取其他形式维度
-
-**如果是全局类亮点**：
-1. 识别全局形式维度
-   - 例如："整体构图" → 构图网格图
-2. **严格禁止**：
-   - ❌ 提取具体实质
-
-**树状结构原则**：
-```
-亮点1（实质类："白裙写生少女"）
-├── 女性主体（实质维度）
-├── 白色长裙（实质维度）
-└── 绘画姿态（该实质的形式维度）
-
-亮点2（形式类："户外写生空间层次"）
-└── 深度图（全局形式维度）
-
-亮点3（实质类："画架"）
-├── 画架（实质维度）
-└── 画架摆放角度（该实质的形式维度）
-```
-
-**每个亮点的维度应该互不重叠**，除非亮点本身就是全局的。
-
-**筛选原则**：
-- 有所选择，只筛选与该亮点**直接相关**的维度
-- 如果一个维度涉及多个亮点，应该归属到最相关的那个亮点
-- 如果一个维度是全局的，应该归属到全局类亮点，而不是实质类亮点
-
-### 5. 评估：Image Dimensions识别结果
-
-使用评估机制对识别出的维度进行评估：
-- **完整性**：是否覆盖了该亮点的所有关键方面
-- **准确性**：是否与亮点描述和原图一致
-- **边界性**：是否严格限制在该亮点范围内，没有越界到其他亮点
-- **决策**：PASS / ADJUST / REDO
-
-如果评估未通过，根据评估结果进行调整或重做。
-
----
-
-## 第二步：筛选单个亮点的Control Signals
-
-**【第二层：图片维度 → 特征维度，1:多映射】**
-
-本步骤的目标是为图片维度提炼可复用的特征维度（Control Signals）。根据图片维度的类型（实质/形式/全局），一个图片维度可以产生一个或多个特征维度。
-
-### 1. 调用dimension_research skill
-
-**目的**：为该亮点的Image Dimensions提炼可复用的Control Signals。
-
-**重要**：subagent必须严格遵守上述"知识与推理体系"和"评估与反馈机制"的全局规则。
-
-**调用方式**：
-- 通过sub agent工具调用子agent，使用browser use工具，在小红书搜索对控制信号的筛选有帮助的知识
-- 向sub agent提供该亮点相关的特征，并要求调用skill/dimension_research.md，返回搜索结果
-- 将研究过程和发现保存在 `knowledge/highlight_[N]/` 目录，保留原始URL
-- **确保subagent理解并执行全局规则**：在调用时明确说明必须遵守知识推理和评估机制
-
-**输入JSON格式**：
-```json
-{
-  "highlight_id": "[亮点ID或序号]",
-  "highlight_description": "[亮点简短描述]",
-  "highlight_type": "[实质/形式/全局]",  // 必须明确标注亮点类型
-  "global_features": [],  // 仅当亮点类型为"形式"或"全局"时填写
-  "substances": [],       // 仅当亮点类型为"实质"时填写，该亮点涉及的实质
-  "forms": [],           // 仅当亮点类型为"实质"时填写，该实质的形式属性
-  "goal": "为该亮点寻找适合生成控制且可学习可复用的多模态特征维度"
-}
-```
-
-**重要说明**：
-- **highlight_type** 必须明确标注，这决定了维度提取的范围
-- 根据亮点类型，只填写相应的字段：
-  - 实质类：填写 substances（该实质本身）和 forms（该实质的形式属性）
-  - 形式类：填写 global_features（该形式维度）
-  - 全局类：填写 global_features（全局形式维度）
-- **严格遵守维度边界**：不要在一个亮点中混合不相关的维度
-
-**详细策略**：参考 `skills/dimension_research.md`
-
-### 2. 为该亮点的Image Dimensions选择Control Signals
-
-**推理过程**：
-- 列出搜索得到的知识
-- 对每个Image Dimension：
-  - **前提**：[引用搜索得到的案例或知识]
-  - **推理逻辑**：[说明为什么选择这个Control Signal]
-  - **边界检查**：[确认该Control Signal只服务于当前亮点]
-  - **结论**：选择[Control Signal名称]
-
-**原则**：
-- **严格遵守亮点类型边界**：
-  - 实质类亮点：只选择该实质本身和该实质形式属性的控制信号
-  - 形式类亮点：只选择该形式维度的控制信号
-  - 全局类亮点：只选择全局形式维度的控制信号
-- **实质的维度：每个实质元素都是独立的维度**，分别生成三视图素材
-- 优先选择可逆性强、生成模型友好的特征维度
-- **前瞻性思考**：筛选时就要考虑每个特征在还原中如何被使用、起到什么作用
-- **避免过度相似**：不要提取与原图过于相似的特征
-- **避免维度交叉**：如果一个控制信号涉及多个亮点，应该拆分或归属到最相关的亮点
-
-**输出格式要求（必须明确指定）**：
-为每个Control Signal必须明确指定：
-- **category**：维度类别（global/substance/form）
-- **output_format**：输出格式（image/json），必须二选一
-  - **image**：特征可视化图像（如深度图、分割mask、骨架图、构图网格图、光照方向图等）
-  - **json**：参数/数值特征（如比例、坐标、权重、标签等）
-  - **不是所有维度都是标签/分类**，很多维度需要输出图像化的特征表示
-- **format_reason**：选择该格式的理由
-
-**常见维度的输出格式参考**：
-- 构图/布局类：通常用 image（网格图、引导线图、区域分布图）
-- 光照类：通常用 image（光照方向图、轮廓光分布图）
-- 深度/景深类：通常用 image（深度图、清晰度热力图）
-- 姿态/骨架类：通常用 image（骨架图）或 image+json（骨架图+关键点坐标）
-- 色彩类：可用 image（色带图）或 json（色值+权重）
-- 标签/分类类：用 json（标签、权重、参数）
-
-**输出**：
-- 撰写过程文档，详细解释每个维度的选择原因、用途、输出格式等信息
-- 说明如何利用搜索得到的知识
-- 对未利用到的知识也要有所解释
-
-### 3. 评估：Control Signals筛选结果
-
-使用评估机制对筛选出的控制信号进行评估：
-- **完整性**：是否覆盖了该亮点的所有必要维度
-- **准确性**：选择的控制信号是否基于搜索证据
-- **可逆性**：控制信号是否足够还原该亮点的特征
-- **可复用性**：控制信号是否具有泛化能力
-- **边界性**：控制信号是否严格限制在该亮点范围内，没有越界到其他亮点
-- **决策**：PASS / ADJUST / REDO
-
-如果评估未通过，根据评估结果进行调整或重做。
-
----
-
-## 第三步：提取单个亮点的Feature Values
-
-**【第三层：特征维度 → 特征值，可使用多工具对比】**
-
-本步骤的目标是为每个特征维度提取具体的特征值。对于同一个特征维度，可以尝试使用不同的工具提取，通过对比评估选择最优结果。
-
-### 1. 调用tool_research skill
-
-**目的**：为该亮点的Control Signals寻找最合适的提取工具。
-
-**重要**：subagent必须严格遵守上述"知识与推理体系"和"评估与反馈机制"的全局规则。
-
-**调用方式**：
-- 通过sub agent工具调用子agent，使用browser use工具，在小红书搜索对特征提取有帮助的工具的知识
-- 向sub agent提供需要提取的特征维度，并要求调用skill/tool_research.md，返回搜索结果
-- 将研究过程和发现保存在 `knowledge/highlight_[N]/` 目录，保留原始URL
-- **确保subagent理解并执行全局规则**：在调用时明确说明必须遵守知识推理和评估机制
-
-**输入JSON格式**：
-```json
-{
-  "highlight_id": "[亮点ID或序号]",
-  "dimensions": []  // 该亮点筛选后的多模态维度清单，维度名称（snake_case或短英文/拼音）
-}
-```
-
-**详细策略**：参考 `skills/tool_research.md`
-
-### 2. 工具选择
-
-**推理过程**：
-- 列出搜索得到的工具和案例
-- 对每个维度：
-  - **前提**：[引用搜索得到的工具信息和使用案例]
-  - **推理逻辑**：[说明为什么选择这个工具]
-  - **结论**：选择[工具名称]
-
-**评估标准**：
-- 发布时间：优先近期更新的工具（先确定当前时间，再判断工具是否近期更新）
-- 是否支持多模态处理
-- 是否支持批量处理
-- 是否支持API或可编程调用
-
-**选择建议**：优先选择更新、更通用、更多人使用或推荐的工具。
-
-### 3. 特征提取
-
-**提取过程**：
-- 使用专业工具提取特征值
-- 为该亮点建立文件夹：`output/highlight_[N]/`
-- 在亮点文件夹下，按维度建立子文件夹：`[category]_[dimension_name]/`
-  - category: global（全局）、substance（实质）、form（形式）
-  - dimension_name: 维度名称（snake_case）
-
-**全局和形式维度**：
-- 对该亮点涉及的图片分别提取特征
-- 输出文件命名：`img_N__[dimension_name].png` 或 `.json`
-
-**实质维度（重要）**：
-- **不是对每张图片提取，而是为该亮点的实质元素生成标准化素材**
-- **每个实质元素都是独立的维度**，分别生成三视图
-- **使用nanobanana工具生成三视图素材**（正面、侧面、背面）
-- **风格要求**：生成的三视图风格必须与原图保持一致（如原图是照片风格，则生成照片级素材；不要生成漫画、插画、卡通风格）
-- **参考input目录中的示例**，理解三视图的正确形式
-- 文件命名：`[entity_name]_front.png`、`[entity_name]_side.png`、`[entity_name]_back.png`
-- 最终交付物：三个PNG图片文件
-
-**mapping.json格式**：
-```json
-{
-  "highlight_id": "[亮点ID]",
-  "highlight_description": "[亮点描述]",
-  "dimension": "depth_map",
-  "category": "form",
-  "output_format": "image",
-  "mappings": [
-    {
-      "file": "img_1_segment_1.png",
-      "source_image": "input/img_1.jpg",
-      "segment": 1,
-      "category": "形式",
-      "feature": "空间深度结构"
-    }
-  ]
-}
-```
-
-**实质维度mapping.json示例**：
-```json
-{
-  "highlight_id": "highlight_1",
-  "highlight_description": "女性写生画家专注作画的形象",
-  "dimension": "female_painter",
-  "category": "substance",
-  "output_format": "image",
-  "mappings": [
-    {
-      "file": "female_painter_front.png",
-      "view": "front",
-      "source_images": ["input/img_1.jpg", "input/img_3.jpg"],
-      "category": "实质",
-      "feature": "女性写生主体"
-    },
-    {
-      "file": "female_painter_side.png",
-      "view": "side",
-      "source_images": ["input/img_2.jpg"],
-      "category": "实质",
-      "feature": "女性写生主体"
-    },
-    {
-      "file": "female_painter_back.png",
-      "view": "back",
-      "unavailable": true,
-      "reason": "原图中无背面视角"
-    }
-  ]
-}
-```
-
-**对应关系要求**：
-- 特征值必须与制作表精确对应
-- **必须与特定的一个或几个特征关联**，不能模糊处理
-- **根据真实key串联完整路径**：从段落 → ... → 最后一层特征
-- 如果是实质，直接关联到段落本身
-
-### 4. 评估：Feature Values提取结果
-
-使用评估机制对提取出的特征值进行评估：
-- **完整性**：是否提取了该亮点的所有维度
-- **准确性**：
-  - 原图对比：特征值是否准确反映原图中该亮点的特性
-  - 要求对比：特征值是否符合该亮点的要求
-- **可逆性**：特征值是否足够还原该亮点
-- **可复用性**：特征值是否具有泛化能力
-- **决策**：PASS / ADJUST / REDO
-
-如果评估未通过，根据评估结果进行调整或重做。
-
-### 5. 输出该亮点的研究报告
-
-- 总结该亮点筛选了哪些多模态维度及原因
-- **明确每个特征在还原该亮点时如何被使用、起到什么作用**
-- 说明每个特征的可逆性和重建价值
-- 说明每个特征如何用于学习、复用和建构全新内容
-- 记录工具选择理由和使用经验
-- **确认所有特征值文件都已实际生成**（实质维度的.png图片、形式/全局维度的图片或json）
-
----
-
-## 第四步：处理下一个亮点
-
-重复第一步至第三步，处理下一个亮点，直到所有亮点都处理完成。
-
----
-
-## 第五步：生成整合报告
-
-所有亮点处理完成后，生成整合报告：
-
-**内容**：
-- 处理的亮点总数和列表
-- 每个亮点提取的维度汇总
-- 所有特征值的文件清单
-- 整体评估：
-  - 所有亮点的特征是否能够完整还原原图
-  - 特征之间是否存在冗余或遗漏
-  - 整体的可逆性和可复用性评估
-- 建议和改进方向
-
----
-
-# 三、核心原则
-
-## 解构原则
-
-**亮点驱动**：
-- 亮点数据是图片表现力的核心
-- 筛选维度时重点参考亮点
-- 对高权重段落细致处理
-
-**可逆性优先**：
-- 优先选择可逆性强的维度
-- 特征应该是生成模型友好的控制信号
-- 避免信息损失过大的表示
-- **避免提取与原图过于相似的特征**：特征应该是抽象的、可复用的
-
-**价值导向**：
-- 特征不仅用于还原，更要用于学习、复用和建构全新内容
-- 为了还原而还原没有价值
-- 优先提取具有泛化能力和创造性价值的特征
-
-**适度解构**：
-- 维度数量适中，且相互独立
-- 避免过度细分或过度简化
-- 若已有维度可以表达目标语义，不新增维度
-- 新维度必须给出必要性说明
-- 根据图片组的复杂度灵活调整
-
-**一致性保证**（针对图片组）：
-- 若图片组中存在重复实质，保持一致的表示方式
-- 例如：相同骨架比例、相同主色调范围、相同空间比例关系
-- 一致性优先级高于创意优先级
-
-**过程验证**：
-- 不盲目相信过程中结果的正确性
-- 对每一个步骤中得到的中间结果，都要根据要求进行评估和验证
-
----
-
-## 质量要求
-
-**禁止降级解决**：
-- 不允许为了方便而使用效果显著更差的简单方案
-
-**禁止平凡表示**：
-- 不允许只提供自然语言描述
-- 必须使用多模态提供超越语言的信息
-
-**禁止保存原始图片**：
-- 不允许保存原图或原图的任何部分（裁剪、截图、抠图等）
-- 图片裁剪只能作为中间步骤，不能作为最终特征
-- 最终必须提取多模态特征：
-  - 实质维度：标准化素材（去除形式信息）
-  - 形式维度：特征可视化（深度图、mask、骨架等）
-  - 全局维度：控制信号可视化（光照图、色彩分布等）
-- 所有特征都必须是抽象的、可复用的、可迁移的
-- **注意**："伪造结果"是指编造不存在的数据或虚假信息，使用生成式模型生成缺失视角不是伪造
-
----
-
-# 四、还原与创造说明
-
-最终，负责还原的agent将获得：
-- 更新的制作表（包含多模态维度和值）
-- 各维度的特征文件
-
-还原agent将以生成式模型为主，使用这些特征作为控制信号重建图片。
-
-**更重要的是**：这些特征不仅用于还原原图，更要用于学习规律、复用特征、建构全新内容。因此，特征应该具有泛化能力和创造性价值，而不是原图的简单复制。
-
----
-
-# 五、Subagent JSON Contract
-
-当需要调用subagent执行skill时，主agent必须先构造严格符合下述schema的JSON，并作为subagent的唯一输入。
-
-## A) dimension_research 输入JSON（必须字段齐全）
-```json
-{
-  "global_features": [],
-  "substances": [],
-  "forms": [],
-  "highlights": [],
-  "goal": "string"
-}
-```
-
-**生成规则**：
-- global_features：来自"亮点+制作表中能反应整体的形式"，用短词或短语，不要长句
-- substances：来自"制作点实质结果+制作表中高权重实质"，去重后输出
-- forms：来自"亮点+制作表中的形式"，去重后输出
-- highlights：从亮点JSON中提取高权重亮点的简短描述（每条<=20字），用于提示检索语境
-- goal：固定写为"寻找适合生成控制且可学习可复用的多模态特征维度"
-
-## B) tool_research 输入JSON（必须字段齐全）
-```json
-{
-  "dimensions": []
-}
-```
-
-**生成规则**：
-- dimensions：来自"筛选后的多模态维度清单"，必须是维度名称（snake_case或短英文/拼音都可），不要写长描述
-
----
-
-# 开始执行
-
-请根据上述原则，灵活分析 `input/` 目录下的数据，完成多模态特征的筛选和提取工作。

examples/find knowledge/tool/teacher.py

@@ -21,44 +21,15 @@ TEACHER_MODEL = os.getenv("TEACHER_MODEL", DEFAULT_TEACHER_MODEL)
 
 
 @tool(
-    name="ask_teacher",
     description=(
         "向教师模型提问，获取专家级的建议和指导。"
         "适用场景："
-        "1. 遇到复杂问题需要深入分析时"
-        "2. 需要验证当前思路是否正确时"
-        "3. 需要专业建议来做决策时"
-        "4. 需要帮助理解复杂概念或任务时"
+        "1. 遇到复杂问题需要深入分析时；"
+        "2. 需要验证当前思路是否正确时；"
+        "3. 需要专业建议来做决策时；"
+        "4. 需要帮助理解复杂概念或任务时。"
         "教师模型会提供详细的分析和建议，但最终决策仍由你做出。"
-    ),
-    parameters={
-        "type": "object",
-        "properties": {
-            "question": {
-                "type": "string",
-                "description": (
-                    "向教师模型提出的问题。应该清晰、具体地描述你的问题或困惑。"
-                    "可以包含背景信息、当前进展、遇到的困难等。"
-                )
-            },
-            "context": {
-                "type": "string",
-                "description": (
-                    "问题的上下文信息（可选）。"
-                    "包括：当前任务、已有的信息、已尝试的方法等。"
-                    "提供更多上下文可以帮助教师模型给出更准确的建议。"
-                )
-            },
-            "model": {
-                "type": "string",
-                "description": (
-                    f"使用的教师模型（可选，默认：{TEACHER_MODEL}）。"
-                    "可选值：openai/gpt-5.4, openai/o1, anthropic/claude-opus-4-5 等"
-                )
-            }
-        },
-        "required": ["question"]
-    }
+    )
 )
 async def ask_teacher(
     question: str,
@@ -70,10 +41,9 @@ async def ask_teacher(
     向教师模型提问，获取专家建议
 
     Args:
-        question: 要提问的问题
-        context: 问题的上下文信息（可选）
-        model: 使用的教师模型（可选）
-        **kwargs: 其他参数（从工具调用传入）
+        question: 要提问的问题。应该清晰、具体地描述你的问题或困惑。
+        context: 问题的上下文信息（可选）。包括：当前任务、已有的信息、已尝试的方法等。
+        model: 使用的教师模型（可选，默认：openai/gpt-5.4）。可选值：openai/gpt-5.4, openai/o1, anthropic/claude-opus-4-5 等
 
     Returns:
         包含教师模型回答的字典

frontend/react-template/.yarnrc.yml

@@ -0,0 +1 @@
+nodeLinker: node-modules

frontend/react-template/package.json

@@ -11,7 +11,7 @@
   },
   "dependencies": {
     "@douyinfe/semi-icons": "^2.56.0",
-    "@douyinfe/semi-ui": "^2.56.0",
+    "@douyinfe/semi-ui": "^2.92.2",
     "axios": "^1.6.0",
     "d3": "^7.8.5",
     "react": "^18.2.0",
@@ -42,4 +42,4 @@
     "vite": "^5.0.8",
     "vitest": "^4.0.18"
   }
-}
+}